| 摘要 | 第1-10页 |
| Abstract | 第10-13页 |
| 符号（缩写）含义表 | 第13-15页 |
| 第1章 绪论 | 第15-29页 |
| ·研究背景和意义 | 第15-16页 |
| ·粒子群算法研究现状 | 第16-23页 |
| ·算法的收敛性分析 | 第16-17页 |
| ·种群拓扑结构改进 | 第17-18页 |
| ·粒子学习策略的研究 | 第18-19页 |
| ·混合粒子群算法研究 | 第19-20页 |
| ·粒子群算法的应用研究 | 第20-23页 |
| ·本文的研究方法 | 第23-24页 |
| ·本文的主要成果及创新 | 第24-25页 |
| ·本文的组织结构 | 第25-29页 |
| 第2章 粒子群算法及其理论基础 | 第29-40页 |
| ·粒子群算法 | 第29-33页 |
| ·原始粒子群算法 | 第29-30页 |
| ·标准粒子群算法 | 第30-32页 |
| ·两种经典的拓扑结构引申的粒子群算法 | 第32-33页 |
| ·关于优化理论的基本概念 | 第33-36页 |
| ·优化问题的数学模型 | 第33页 |
| ·优化算法及其分类 | 第33-35页 |
| ·全局最优解和局部最优解 | 第35-36页 |
| ·粒子群算法的理论分析 | 第36-40页 |
| ·粒子的线性离散系统构建 | 第36-38页 |
| ·粒子群算法的收敛性分析 | 第38-40页 |
| 第3章 基于动态邻居和广义学习的粒子群算法(DNMPSO) | 第40-62页 |
| ·引言 | 第40页 |
| ·动态邻居拓扑结构的构建 | 第40-43页 |
| ·动态邻居拓扑结构的提出 | 第40-41页 |
| ·种群多样性的度量 | 第41-43页 |
| ·粒子邻居的重建代数 | 第43页 |
| ·广义学习策略及其搜索空间分析 | 第43-47页 |
| ·广义学习策略 | 第43-45页 |
| ·搜索行为分析 | 第45-47页 |
| ·变异操作及其分析 | 第47-50页 |
| ·仿真实验及其分析 | 第50-57页 |
| ·检测函数 | 第50-52页 |
| ·各种粒子群算法的参数设置 | 第52页 |
| ·实验结果及分析 | 第52-57页 |
| ·带有局部搜索的DNMPSO 算法 | 第57-60页 |
| ·拟牛顿(Quasi-Newton)算法 | 第57-59页 |
| ·仿真实验及其分析 | 第59-60页 |
| ·小结 | 第60-62页 |
| 第4章 基于K 均值聚类的动态多种群粒子群算法(KDMSPSO) | 第62-83页 |
| ·引言 | 第62-63页 |
| ·基于K 均值聚类的多种群构建 | 第63-65页 |
| ·动态多种群构建 | 第63-64页 |
| ·种群多样性分析 | 第64-65页 |
| ·子群构建间隔代数(R)和子群数量(n)的确定 | 第65-67页 |
| ·学习样本的选择 | 第67-68页 |
| ·社会部分学习样本的选择 | 第67-68页 |
| ·自知部分学习样本的选择 | 第68页 |
| ·KDMSPSO 与DNMPSO 算法的比较 | 第68-71页 |
| ·算法的收敛特征曲线比较 | 第69-70页 |
| ·种群多样性比较 | 第70-71页 |
| ·基于KDMSPSO 算法求解约束优化问题 | 第71-81页 |
| ·约束优化问题的数学描述 | 第71-72页 |
| ·求解约束优化问题的方法分类 | 第72-73页 |
| ·求解约束优化问题的DMCPSO 算法 | 第73-77页 |
| ·仿真实验及其分析 | 第77-81页 |
| ·小结 | 第81-83页 |
| 第5章 自适应网格和拥挤距离的多目标粒子群算法 | 第83-99页 |
| ·引言 | 第83页 |
| ·多目标优化算法 | 第83-88页 |
| ·多目标优化问题的数学描述 | 第83-85页 |
| ·传统多目标算法及其局限性 | 第85页 |
| ·进化多目标优化算法 | 第85-86页 |
| ·多目标粒子群算法 | 第86-87页 |
| ·评价指标 | 第87-88页 |
| ·粒子群算法处理多目标优化问题的关键点 | 第88-91页 |
| ·学习样本的选取策略 | 第89-91页 |
| ·外部存档规模控制策略 | 第91页 |
| ·基于自适应网格和拥挤距离的多目标粒子群算法 | 第91-97页 |
| ·非劣解的存储 | 第91-92页 |
| ·基于自适应网格密度和拥挤距离估计 | 第92-93页 |
| ·外部存档规模限制和gbest 选取 | 第93-94页 |
| ·实验结果及其分析 | 第94-97页 |
| ·小结 | 第97-99页 |
| 第6章 基于ε占优的自适应多目标粒子群算法 | 第99-126页 |
| ·引言 | 第99页 |
| ·基于ε占优的外部存档更新策略 | 第99-101页 |
| ·ε占优的定义 | 第99-100页 |
| ·外部存档的更新 | 第100-101页 |
| ·动态邻居和改进的广义学习策略 | 第101-102页 |
| ·仿真实验及其分析 | 第102-107页 |
| ·检测函数及算法的参数设置 | 第102页 |
| ·收敛性和分布性仿真实验 | 第102-107页 |
| ·计算复杂度仿真实验 | 第107页 |
| ·几种策略在MOPSO 算法中的应用 | 第107-124页 |
| ·正交初始化 | 第107-110页 |
| ·变异操作 | 第110-112页 |
| ·基于均匀设计的交叉操作 | 第112-116页 |
| ·仿真实验及其分析 | 第116-124页 |
| ·小结 | 第124-126页 |
| 第7章 改进粒子群算法的应用研究 | 第126-139页 |
| ·改进的粒子群算法在土壤水分运动曲线参数拟合中的应用 | 第126-130页 |
| ·相关研究 | 第126页 |
| ·Van Genuchten 方程 | 第126-127页 |
| ·改进PSO 算法求解Van Genuchten 方程参数 | 第127-130页 |
| ·改进的PSO 在CCMV 投资组合模型中的应用 | 第130-134页 |
| ·基于均值-方差模型的CCMV 模型 | 第131-132页 |
| ·CCMV 模型的求解 | 第132-134页 |
| ·改进的粒子群算法在在CVaR 模型中的应用 | 第134-138页 |
| ·带有CVaR 约束的投资组合模型 | 第135-136页 |
| ·模型求解及其分析 | 第136-138页 |
| ·小结 | 第138-139页 |
| 第8章 总结与展望 | 第139-142页 |
| ·总结 | 第139-141页 |
| ·未来工作展望 | 第141-142页 |
| 参考文献 | 第142-155页 |
| 附录A 无约束优化测试函数 | 第155-156页 |
| 附录B 多目标优化测试函数 | 第156-158页 |
| 附录C 约束优化测试函数 | 第158-161页 |
| 攻读博士学位期间发表的学术论文 | 第161-163页 |
| 致谢 | 第163页 |
